如何应用漏斗模型辅助数据诊断与决策？

漏斗模型基本上是做所有分析时都或多或少会用到的工具，本文结合一些简化的虚拟案例，来跟大家说说如何利用漏斗模型辅助数据诊断与决策？

先讲个例子，来自肖恩埃利斯的《增长黑客》：

一家食品商店App的增长团队发现了一个问题：App上线后，通过各种推广，短时间内就获得了19万用户，但是到最终在App内完成购买的用户只有不到7000人。

是App的体验不好？商品不够有吸引力？其实很多产品也会有这样的问题，好不容易吸引来用户之后，如何让他们真正开始持续使用，激活他们？

于是，这个增长团队梳理出了用户从下载打开到最终购买的整个体验路径，提炼出5个关键步骤，分别是：

下载和打开App； 搜索浏览； 将商品放入购物车； 添加信用卡信息； 完成购买结算。

然后列出这段时间，每个步骤的实际人数，和对应的转化率：

数据和对应的转化率的结果很直观，团队成员发现：

大量用户将商品放入购物车后没有添加信用卡信息就离开页面了（c到d为20%），但那些成功添加信用卡信息的用户，在之后完成购买的比例很高（d到e为75%）。 此外，许多用户搜索商品数量并不多（a到b为30%），相比之下，下载App后特别活跃的用户第一次打开时就浏览了很多商品（活跃用户a到b的比例很高）。

有了这个数据其实就能很清楚的看出：商品本身或者App的体验没什么问题，能正常支付的用户大部分还是完成购买了，但是添加支付工具的和结算体验却存在障碍。团队需要尝试让用户能更轻松的结算。同时，考虑新增用户搜索量不高，还得尝试鼓励初访者搜索和浏览更多商品，比如设置特惠卖场界面、改进引导文案等等。

当然，这是一个很简化的虚拟案例，但是我们仍然可以从中看出他们是如何应用数据发现和诊断问题的，在这里面用到的很重要的一个工具就是“漏斗模型”。

漏斗模型及常用应用模型

所以，什么是漏斗模型？

漏斗模型，aka漏斗分析、转化率分析，基本上是做所有分析时都或多或少会用到的工具。

我在网上搜漏斗分析时，出来的文章或内容大多和互联网运营或者数字营销有关。但其实漏斗模型应用的地方非常广泛，包括但不限于：

财务分析（整个利润表其实就是个漏斗，比率分析）； 产品设计（诊断用户一系列行为转化率）； 广告（流量监控、效果评估），品牌（认知-行为转化）等等。

当然除了开头举的那个用户体验流程的例子，漏斗模型还有其他很多种应用。比如：

品牌认知-行为漏斗

在衡量品牌知名度的时候通常会用三个指标：

Top of Mind：代表对品牌强定位（或者说占据用户心智的深度）的量化。提到XX品类，第一时间想到的品牌。比如“提到短视频App，你第一个想到的是哪个App”，一个人可能会回答快手，另一个可能会回答抖音，但每个人只会有一个top of mind，最终可以统计各个品牌在用户群体的心智中占了多少领地。 Un-Aided：代表对品牌弱定位（进入用户心智，但还不够深）的量化。提到XX品类，还能想到哪几个品牌。比如“提到短视频App，你还能想到哪几个App”，一个人可能会回答抖音、快手…等数个App，但通常不超过5-7个。因为人的记忆/心智也是有限的。 Awareness：代表广泛的知名度。XX品类里所有知道的品牌。比如“在短视频App里，你都知道哪些App？”，一个人可能会回答快手、抖音、微视、视频号…等很多个App。

关于这几个指标基于心理记忆的解释，也可以参考之前这篇《品牌的生理和心理基础》中的部分内容。

关于行为漏斗，根据行业/品类的不同特性，可以设置成各种指标，逻辑相关即可。可以用“以前用过-现在在用-最常用”，也可以是“以前买过-最近半年买过-最近1个月买过”，情况目的不同，搭建不同的指标。

可以通过抽样调研问卷的方式获得数据（认知这种比较心理层面的指标，主要还是靠问卷。不过行为指标，有监测数据会比用户回忆更准一些），并对品牌/产品进行诊断。

比如这个例子：

AB两个品牌在一波营销过后，A品牌广泛意义上虽然知名度高，但是很少有人能主动想起来A，有可能是A品牌虽然广告到处打，但是宣传的内容太平淡，没有亮点，人们看完很快就忘了。

B品牌则可能是宣传内容很不一样，大家看到B的宣传后印象深刻，但是由于媒体渠道选的不好，覆盖的人群不够，所以整体知名度要更弱一些。

AARRR漏斗

除了前面提到的食品商店App的具体例子，其实包括黑客增长本身的核心模型AARRR其实也是一个漏斗：

AIDA漏斗

营销中经典的AIDA（或者AIDAS等等变种）也可以通过收集对应的数据，套用漏斗模型进行分析，广泛应用于快消品、耐消品：

利润漏斗

财务分析三张表中的利润表其实也是一个漏斗，净利润率告诉我们漏斗是比较直（中间损耗少，收入更多转化为盈利，效益好）、还是比较斜，所以净利润率表示效益。

应用基础与个体“私域”数据漏斗

应用漏斗模型做分析的基础有两个：

基于目的抽象出流程； 数字化，有能力收集每个流程或步骤的数据。

基于目的抽象出流程：比如想解决用户从打开到下单的转化问题，或者想让用户更顺畅的体验到产品的Aha时刻（即用户体验到产品最大价值的那个时刻），可以基于用户实际体验，抽象为“打开-浏览-详情-加入购物车-下单-支付-反馈”这一系列流程。再比如从认知到购买的流程，被提炼为AIDA。

这一步听起来简单，好像只要按已有的模型或者实际用户行为/认知的路径梳理出来就行。但实际上有很多难点，比如产品/app的元素功能很多、用户的行为其实很复杂，像例子中的电商App，实际上页面层级会很多、用户也可能会在各种页面上“逛”。要如何梳理出关键步骤，构建有效的用户路径图，并衡量其间转化，其实是个难点。

还有像AARRR或者AIDA这种“大”模型，可以提供宏观策略上的参考，但在精细分析，比如复杂媒体环境下不同渠道带来的认知或者获客时，如何取舍、如何处理不同漏斗间的交集或者嵌套，其实都会有些难度。

数字化：抽象出流程后，就得拿到每个流程的数据，才好真正开始分析。对于企业而言，最好当然是建立自己的数字化体系、数据仓库，监测自己的用户/客户全部行为数据。或者也可以借助外部供应商的SaaS/Paas之类的数据平台做部分业务的数字化。除了行为数据之外，也可以用问卷调研的方式获得用户态度或心理数据。

不过，其实数据存在于生活中的各个角落。对于小规模的活动，甚至个人，都可以灵活地应用这两步。

比如个人在社群做文字或者直播分享，最大覆盖多少人或多少微信群，有多少人观看直播，有多少人评论，多少人转发，直播后有多少人添加微信，有多人截图分享，其实都可以量化，并且计算转化率，还可以在不同场次/不同社群间对比。

哪怕是小卖部，其实也可以统计每天多少人流路过，多少人进店，多少人购买……并不一定非得是大公司才用得到。

局限和深入分析

漏斗模型虽然很常用，但也不是万能的。最大的局限在于，漏斗分析是一个纯诊断工具，也就是说它可以告诉你哪里出了问题，但是即没有办法回答为什么出现这样的问题，也不能回答如何解决这样的问题。通常还要结合消费者调研和更多的数据分析，来挖掘问题背后的原因以及探寻改进的方向。

而且，单独做一个漏斗其实往往看不出太多东西，很多时候要对比才有意义。

对外：和竞争对手比、和行业平均值对比。 对内：自己的细分用户在漏斗各环节的不同表现；不同时段的漏斗数据表现等等

比如还是肖恩埃利斯，在问卷调查公司Qualaroo领导增长团队时，通过深度分析和对比，对比“试用后购买产品的用户”vs“试用后没购买产品的用户”之间的差异，发现：

购买的用户在试用调查问卷系统时收到了至少50条反馈，而产品的Aha时刻（即用户体验到产品最大价值的那个时刻）正是用户发现自己能回收足量的结果，并从中得到有指导意义的反馈。所以50条反馈是一个很重要的价值拐点，回收数据超过这个数，用户就能感知产品价值。

于是他们做了很多试验，来尽可能帮助用户提升回收问卷的数量。比如视频教程，指导用户做更简短且有效的问卷，以及在哪里投放问卷回收概率高，比如推荐模板、推荐NPS等等，以及让客服人员主动联系用户提供发布问卷的建议。最终大幅提高了用户激活率。

 

作者：Allen，微信公众号：Allen走走神

本文由 @Allen 原创发布于人人都是产品经理，未经许可，禁止转载。

题图来自 Unsplash，基于CC0协议